Gudrā ražošana pārveido augsspiediena liešanu: kā mākslīgais intelekts un automatizācija veicina kvalitātes un efektivitātes divkāršu uzlabošanos

Ievads: nozarei raksturīgā pārveide no „pieredzei balstītas” uz „datu balstītu”

Mūsdienu globālajā ražošanas sfērā augsspiediena liešana (HPDC) un rīku izstrāde piedzīvo bezprecedenta digitālo pārveidošanu. Ar Industrijas 4.0 aprīkojuma plašu izmantošanu un mākslīgā intelekta (AI) algoritmu dziļu integrāciju liešanas rūpnīcas vairs nav stereotipiskas „augstas temperatūras, augsta trokšņa, liela atkarība no manuālās pieredzes“ ražošanas vides. Automatizācija un gudrā ražošana pārveido katru liešanas procesa posmu — sākot ar rīku projektēšanu un procesa uzraudzību un beidzot ar galīgo pārbaudi. Digitālās tehnoloģijas palīdz ražotājiem ievērojami paaugstināt ražošanas efektivitāti un piegādes uzticamību, vienlaikus saglabājot vienmērīgu kvalitāti.

HPDC un rīku ražotājiem tas nav vienkārši tehnoloģiju modernizācijas iespēja, bet gan galvenais faktors ilgtspējīgu konkurences priekšrocību veidošanai arvien piesātinātākā tirgū. Šajā rakstā izpētīts, kā automatizācija un mākslīgais intelekts nodrošina reālus uzlabojumus galvenajās jomās, tostarp procesu optimizācijā, rīku kalpošanas laika pārvaldībā, kvalitātes kontrolē un kopējā ražošanas līnijas efektivitātē.

I. No pieredzes uz algoritmiem: inteliģenta liešanas procesa parametru optimizācija

1.1 Tradicionālās procesu vadības ierobežojumi

Augstspiediena liešanas būtība ir tās metāla piepildīšanas process ar "augstu spiedienu un augstu ātrumu". Tradicionālā ražošanā kritiskie parametri, piemēram, specifiskais injekcijas spiediens aizpildīšanas ātrums un veidnei temperatūra parasti tiek pielāgoti, balstoties uz procesa inženieru uzkrāto pieredzi. Tomēr liešanas kvalitāte ir atkarīga no ārkārtīgi sarežģītas savstarpēji saistītu mainīgo lielumu kopas — piemēram, sakausējuma sastāva, veidnes temperatūras sadalījuma, pults ātruma profila un vārsta šķērsgriezuma laukuma. Tikai cilvēka pieredzei balstīta pieeja gandrīz neiespējojama optimālo parametru atbilstību nodrošināt vienmērīgi.

1.2 Mākslīgā intelekta vadīta reāllaika parametru kontrole

Vadošās liešanas iekārtas šodien jau izmanto mašīnmācīšanās pamatotus intelektuālos kontroles sistēmu, kas izmanto digitālā divinieka tehnoloģiju, lai izveidotu virtuālas liešanas procesa kopijas. Šīs sistēmas savāc reāllaika datus par iepildīšanas līkni un veidnes temperatūras laukiem, pēc tam apvieno tos ar vēsturiskajiem ražošanas datiem, lai, izmantojot mākslīgā intelekta algoritmus, automātiski pielāgotu pults ātruma profilu un intensifikācijas laikus.

Galvenā loģika liešanas procesa parametru izvēlei

Saskaņā ar pamatdieļģu liešanas principiem, īpašās iepildes spiediena palielināšana ir efektīvs veids, kā uzlabot liešanas blīvumu. Tomēr pārmērīgs spiediens izraisa smagu matricas virsmas iznīcināšanu ar kausētā sakausējuma plūsmu, kas ievērojami samazina rīku kalpošanas laiku. Izvēloties iepildes spiedienu, ražotājiem jāizvērš vairāki faktori: liešanas ģeometrija (sienas biezums, sarežģītība), sakausējuma īpašības (kristalizācijas temperatūru diapazons, tekošums) un aizpildes sistēmas pretestība. AI sistēmas var veikt šo sarežģīto daudzmainīgo kompromisa analīzi milisekundēs un automātiski izvadīt optimālo procesa parametru kombināciju.

Intelektuāla aizpildes ātruma un turēšanas laika vadība ir vienlīdz būtiska. Biezsienīgiem liešanas izstrādājumiem vai komponentiem ar stingrām iekšējās kvalitātes prasībām ir vēlamāks zemāks aizpildes ātrums un augstāks intensifikācijas spiediens. Plānsienīgiem vai sarežģītiem liešanas izstrādājumiem, kam nepieciešama augstāka virsmas kvalitāte, nepieciešams augstāks aizpildes ātrums un spiediens. AI sistēmas var automātiski analizēt liešanas izstrādājuma 3D modeļa sienas biezuma izvietojumu un attiecīgi izstrādāt pielāgotas aizpildes stratēģijas.

Turklāt pastāv pamata inženierzinātnisks sakarības formulējums starp specifisko injekcijas spiedienu un nepieciešamo pieķeršanas spēku:

Nepieciešamais pieķeršanas spēks = Specifiskais injekcijas spiediens × Kopējā projicētā platība  

(Kopējā projicētā platība ietver liešanas izstrādājuma, tekošās sistēmas, ieeju un pārpildes sistēmu platību summu)

AI sistēmas automātiski aprēķina šo sakarību, lai nodrošinātu, ka izvēlētie parametri nepārsniedz liešanas mašīnas nominālo pieķeršanas jaudu.

II. Rīku izstrādes un ražošanas digitālā modernizācija

2.1 Veidgabalu konstrukcijas intelektuālā optimizācija

Veidgabali ir svarīgākie rīki liešanā ar matricām, un to konstrukcijas dizains tieši nosaka gan lita attēla kvalitāti, gan rīku kalpošanas ilgumu. Veidgabalu projektēšanas posmā intelektuālie algoritmi aizstāj tradicionālo „mēģinājumu un kļūdu” pieeju, kas desmitiem gadu ir dominējusi šajā nozarē.

Intelektuālais lēmumu pieņemšanas process dalīšanās līnijas izvēlei

Dalīšanās līnijas projektēšana ir viena no svarīgākajām darbībām liešanai ar matricām paredzēto rīku konstruēšanā. Dalīšanās līnijas izvēle ietekmē vairākus veidgabalu būvniecības un lita attēla kvalitātes aspektus, tāpēc ir jāievēro vairākas pamatprincipu līdzsvara prasības:

• Nodrošināt, ka lita attēls paliek uz kustīgās veidgabala puses pēc atvēršanas (kustīgajā veidgabalā atrodas izmešanas sistēma)
• Veicināt optimālu ievadkanālu, pārapstrādes un gāzu izvadīšanas sistēmu izvietojumu
• Saglabāt nepieciešamo lita attēla izmēru precizitāti un virsmas kvalitāti
• Vienkāršot veidgabalu būvniecību un ļaut izmantot rentablāku apstrādi

AI algoritmi var automātiski novērtēt, cik labi dažādas atdalīšanas līnijas variantu izvēles atbilst katram no šiem principiem, balstoties uz liešanas izstrādājuma 3D modeli, ieteikt optimālo risinājumu un ievērojami samazināt dizaina cikla ilgumu.

2.2 AI atbalstīta vārstu sistēmas konstruēšana

Vārstu sistēma kontrolē un regulē metāla plūsmas virzienu, gaisa izvadīšanas efektivitāti, spiediena pārnesi un piepildīšanas ātrumu. Iekšējā vārsta konstruēšana ir īpaši kritiska — tā biezums, platums un atrašanās vieta tieši nosaka kausētā metāla piepildīšanas rakstu un liešanas izstrādājuma iekšējo kvalitāti.

Apvienojot datorizētās inženierzinātnes (CAE) simulāciju ar mākslīgā intelekta optimizāciju, dizaineri var ātri pārbaudīt vairākus ieejas atveru konceptus virtuālā vidē. Sistēma automātiski analizē metāla plūsmas ceļus, temperatūras sadalījumu un sacietēšanas secību, prognozē potenciālos gaisa iekļūšanas, gāzes porainības, sarukšanas dobumu un sarukšanas porainības defektu veidošanās vietas un attiecīgi pielāgo ieejas atveru atrašanās vietu un izmērus. Šis datu pamatots pieeja ievērojami uzlabojusi jaunu rīku izstrādes pirmās reizes panākto rezultātu likmi.

III. Procesa uzraudzība un prognozējošā tehniskā apkope: padarot aprīkojumu „runājošu”

3.1 Reāllaika procesa uzraudzības sistēmas

Mūsdienīgas liešanas podziņās mašīnas ir aprīkotas ar modernām sensoru masīvām, kas nepārtraukti uzrauga galvenos parametrus, tostarp iepildes ātrumu, iepildes spēku, veidgabala temperatūru un piepīlēšanas spēku (tonnāžu). Izmantojot rūpnieciskās lietderības interneta (IIoT) tehnoloģiju, šie dati tiek apkopoti centrālajā uzraudzības platformā, nodrošinot pilnīgu pārredzamību ražošanas procesā.

Galvenie uzraudzības parametri

• Iepildes spiediena un ātruma līknes: Atspoguļo kausētā metāla piepildes procesa dinamiskās īpašības
• Veidgabala temperatūras laukums: Nodrošina, ka veidgabals darbojas savā optimālajā darba temperatūru diapazonā
• Piepīlēšanas spēks: Stabilais piepīlēšanas spēks ir būtisks, lai novērstu metāla izšļakstīšanos un saglabātu liešanas izmēru precizitāti

3.2 Prognostiskās apkopes praktiskā īstenošana

Rīku kalpošanas laika pārvaldība ir viens no lielākajiem izmaksu faktoriem matricu liešanas ražošanā. Matricas tiek pakļautas atkārtotām ekstrēmas temperatūras un spiediena ciklu iedarbībai, tāpēc tās ir uzņēmīgas pret bojājumu veidiem, piemēram, termiskās izturības plaisāšanu, izskalošanos un pieslāpēšanos.

Galvenie faktori, kas ietekmē rīku kalpošanas laiku

• Matricas priekšsildīšanas temperatūras kontrole: Nepietiekama priekšsildīšana izraisa „termisko triecienu”, kad karsta kausētā metāla masa saskaras ar auksto matricas virsmu, paātrinot izturības bojājumus; pārmērīga priekšsildīšana paātrina pieslāpēšanu, samazina matricas virsmas cietību un paātrina termiskās izturības degradāciju
• Pareiza iepildes ātruma un spiediena pielāgošana: Pārāk augsts īpatnējais spiediens pastiprina matricas virsmas izskalošanos
• Matricas materiāla izvēle un termiskās apstrādes kvalitāte

AI prognozējošās apkopes sistēmas analizē vēsturiskos bojājumu modeļus, lai sniegtu agrīnus brīdinājumus par iespējamām problēmām kritiskajos veidņu komponentos un ieteiktu optimālos apkopes intervālus. Tas ne tikai pagarināt rīku kalpošanas laiku, bet arī novērš negaidītu ražošanas pārtraukumu, ko izraisa pēkšņas aprīkojuma avārijas.

IV. Inteligents pārbaudes process: Defektu atpazīšanas precizitāte pārsniedz 95 %

4.1 Mašīnvīzijas un AI pārbaudes pielietojums

Biežāk sastopamie iekšējie defekti liešanā ir gāzes porainība, sarukšanas dobumi, sarukšanas porainība un oksīdu iekļaujumi. Tradicionāli šos defektus konstatēja manuāli vizuāli vai nejauši izmantojot rentgena staru paraugu ņemšanu, kas bija gan zema efektivitāte, gan nestabila precizitāte.

Šodien dziļās mācīšanās pamatotās AI vizuālās inspekcijas sistēmas ļauj pilnībā automatizētu iekšējo inspekciju. Šīs sistēmas uzņem augstas izšķirtspējas attēlus un rentgena skenējumus no liešanas izstrādājumiem, un apmācītas neironu tīklu sistēmas var identificēt vairāk nekā 95 % visbiežāk sastopamo virsmas un iekšējo defektu. Visvairāk svarīgi ir tas, ka AI sistēmas reāllaikā var nodot inspekcijas rezultātus atpakaļ uz iepriekšējiem procesiem, ļaujot dinamiski pielāgot procesa parametrus un izveidot aizvērtas cikla kvalitātes kontroles sistēmu.

4.2 Galvenie kontrolpunkti dieļģešanas kvalitātei

Procesa viedokļa ziņā liešanas kvalitātes defekti cieši saistīti ar metāla plūsmas uzvedību piepildīšanas stadijā. Saskaņā ar piepildīšanas teoriju, kausētā metāla piepildīšanas modelis ir noteikts pēc attiecības starp metāla kinētisko enerģiju vienības masā iekšējā vārtu vietā un plūsmas pretestību veidgabala dobumā. Gudro inspekcijas sistēmu uzkrātais lielais defektu datu apjoms savukārt nodrošina vērtīgus mācību datus tālākai procesa parametru optimizācijai.

V. Gudrā ražošana: Ražotājiem nodrošinot mērāmu vērtību

5.1 Efektivitātes uzlabojumi un izmaksu samazināšana

Automatizācijas un gudro tehnoloģiju ieviešana diešu liešanas ražotājiem nodrošina būtiskus ekonomiskus ieguvumus:

Piezīme: 40% saīsinājums rīku izstrādes ciklā attiecas uz laiku no sākotnējā dizaina līdz pirmajam veiksmīgajam testa izstrādājuma iegūšanai (T1). Laiks līdz pilnai ražošanai var atšķirties atkarībā no detaļas sarežģītības un klienta apstiprināšanas procesiem.

5.2 Kvalitātes vienveidība un piegādes uzticamība

Ar digitālo procesa uzraudzību un intelektuālo procesa vadību ražotāji var nodrošināt vienveidīgi augstu kvalitāti visās ražošanas partijās. Tas ir īpaši būtiski nozarēm ar stingriem kvalitātes prasībām, piemēram, automobiļu komponentiem. Turklāt automatizētā ražošanas līnijas pārvaldība un intelektuālās grafika sistēmas optimizē ražošanas ciklus, samazina piegādes laikus un sniedz klientiem labāku izmaksu efektivitāti un uzticamāku piegādes veiktspēju.

VI. Nākotnes izredzes: Cilvēka un mašīnas sadarbības pamatā balstītas gudrās rūpnīcas

Nākotnē augsspiediena liešanas un rīku ražošanas nozares digitālā pārveide turpināsies ar vēl lielāku ātrumu. Mēs prognozējam šādus galvenos trendus:

• Pašoptimizējošās ražošanas līnijas: sistēmas, kas balstītas uz stiprināšanas mācīšanos, nepārtraukti mācīsies no ražošanas datiem un neatkarīgi noteiks optimālos tehnoloģiskā procesa parametru kombinācijas
• Bezgalīgais digitālais cikls no gala līdz galam: pilnīga datu integrācija no rīku projektēšanas un procesa simulācijas līdz ražošanas izpildei un kvalitātes pārbaudei, kas ļauj sasniegt mērķi — ražošanu bez defektiem
• Cilvēka un mašīnas sadarbības pamatā balstīta lēmumu pieņemšana: AI sistēmas veiks monotonas, datiem bagātīgas uzdevumu, kamēr speciālisti koncentrēsies uz procesu inovācijām un sarežģītu izņēmumu novēršanu

Secinājums

Automatizācija un gudrā ražošana nav tālu nākotnes jēdzieni — tās ir reālas, pārveidojošas spēki, kas šodien pārveido augsspiediena liešanas un rīku nozares darbību. Izmantojot AI vadītu procesu optimizāciju, gudru rīku izstrādi, reāllaika procesu uzraudzību un augstas precizitātes automatizētu pārbaudi, ražotāji var sasniegt būtiskus uzlabojumus ražošanas efektivitātē, produkta kvalitātē un piegādes spējās.

Diešu liešanas uzņēmumiem, kas ir apņēmušies veidot ilgstošas konkurences priekšrocības, tagad ir ideāls laiks pieņemt gudro ražošanu. Lai gan ciparizācijas ceļš no atsevišķiem punktveida risinājumiem līdz pilnībā integrētām sistēmām ir pakāpenisks, katrs šo tehnoloģiju ieguldījums radīs redzamus tirgus rezultātus.